LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
科研通AI2S应助科研通管家采纳,获得10
2秒前
pluto应助科研通管家采纳,获得10
2秒前
bkagyin应助科研通管家采纳,获得10
2秒前
勤劳晓亦应助科研通管家采纳,获得160
2秒前
欣喜成仁发布了新的文献求助30
2秒前
2秒前
在水一方应助科研通管家采纳,获得10
2秒前
烟花应助科研通管家采纳,获得10
2秒前
shtatbf应助科研通管家采纳,获得20
2秒前
赘婿应助科研通管家采纳,获得10
3秒前
Owen应助科研通管家采纳,获得10
3秒前
震动的绿竹完成签到,获得积分10
3秒前
4秒前
蜜糖小熊发布了新的文献求助20
5秒前
皓月千里完成签到,获得积分10
5秒前
忐忑的纲完成签到,获得积分20
6秒前
6秒前
美丽的依霜完成签到 ,获得积分10
6秒前
Dr.c完成签到,获得积分10
8秒前
9秒前
10秒前
充电宝应助liyi采纳,获得10
10秒前
winwin发布了新的文献求助10
10秒前
无尤完成签到 ,获得积分20
11秒前
顺心含蕾完成签到,获得积分10
12秒前
13秒前
14秒前
是昭昭呀发布了新的文献求助20
19秒前
21秒前
22秒前
dzx完成签到,获得积分10
24秒前
科研通AI2S应助初雪平寒采纳,获得10
25秒前
七安完成签到 ,获得积分10
28秒前
了了了发布了新的文献求助10
29秒前
liuda完成签到,获得积分10
30秒前
33秒前
SONG完成签到,获得积分10
33秒前
36秒前
liuda发布了新的文献求助10
38秒前
高分求助中
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3182205
求助须知:如何正确求助?哪些是违规求助? 2832552
关于积分的说明 7989565
捐赠科研通 2494578
什么是DOI,文献DOI怎么找? 1330837
科研通“疑难数据库(出版商)”最低求助积分说明 636156
邀请新用户注册赠送积分活动 603063